手册定位：「模块四·组合/风控/专题」第 7 篇，系列倒数第 2 篇。前面 #16 给了选股回测、#24 给了择时绩效，本篇把「策略 + 参数」的遍历优化讲透——网格搜索、随机搜索两种范式一次性给你，拿来就能给自己的策略找最优参数。
接口路径取自智兔数服官网文档页已验证路径，未虚构；本篇以 #16/#24 的回测结论为被优化对象。

1. 你将得到什么

读完本篇，你能直接拿到：

• 一套把「策略函数 + 参数」跑出绩效指标（年化/夏普/回撤）的通用框架；
• 网格搜索 grid_search：穷举参数组合，挑夏普最高的；
• 随机搜索 random_search：大参数空间下比网格更省时；
• 复用 #16（选股回测）与 #24（择时绩效）的结论做被优化对象，不重复造轮子；
• 5 个真实踩过的坑（过拟合、未来函数、样本内偏差、并行成本、参数稳定性）。

2. 取数约定

真实调用把 TOKEN 换成你的 token；本手册示例用 _MOCK=True 内置演示数据，逻辑与真实取数完全一致，先跑通再替换。价格序列来自 #02 的历史 K 线端点，本文复用其约定。

3. 端点分组地图（复用指针）

本篇不重复罗列上述端点，直接复用；核心是把「参数」变成遍历维度。

4. 核心模板函数（自包含可跑）

import time, requests, pandas as pd, numpy as np

BASE = "https://api.zhituapi.com"
TOKEN = "你的token"
_MOCK = False  # 演示模式：True 时用内置数据，不发起网络请求


def _hit_key(path):
    return "%s%s?token=%s" % (BASE, path, TOKEN)


def _get(path, default=None, tries=3):
    url = _hit_key(path)
    for i in range(tries):
        try:
            if _MOCK:
                return default
            r = requests.get(url, timeout=8)
            r.raise_for_status()
            return r.json()
        except Exception:
            if i == tries - 1:
                return default
            time.sleep(0.5 * (i + 1))


def simple_backtest(prices, n):
    """参数 n：动量窗口。返回绩效 dict（无未来函数：信号用 t-1）。"""
    s = pd.Series(prices)
    mom = s.diff(n)
    signal = (mom > 0).astype(int)
    ret = s.pct_change().fillna(0.0)
    strat = ret * signal.shift(1)
    cum = (1.0 + strat).cumprod()
    total = float(cum.iloc[-1] - 1.0)
    yrs = len(s) / 252.0
    ann = (1.0 + total) ** (1.0 / max(yrs, 1e-9)) - 1.0
    vol = strat.std() * (252 ** 0.5)
    sharpe = (ann / vol) if vol > 0 else 0.0
    peak = cum.cummax()
    mdd = float((cum / peak - 1.0).min())
    return {"n": n, "ann": ann, "sharpe": sharpe, "mdd": mdd}


def grid_search(prices, ns):
    rows = [simple_backtest(prices, n) for n in ns]
    best = max(rows, key=lambda r: r["sharpe"])
    return rows, best


def random_search(prices, n_lo, n_hi, iters=20, seed=42):
    rng = np.random.default_rng(seed)
    best = None
    for _ in range(iters):
        n = int(rng.integers(n_lo, n_hi + 1))
        r = simple_backtest(prices, n)
        if best is None or r["sharpe"] > best["sharpe"]:
            best = r
    return best


def run_check():
    global _MOCK
    _MOCK = True
    rng = np.random.default_rng(0)
    prices = 100.0 * np.cumprod(1.0 + rng.normal(0.0005, 0.02, 504))
    rows, best = grid_search(prices, [5, 10, 20, 40, 60])
    rb = random_search(prices, 5, 60, iters=30)
    assert best is not None and rb is not None
    assert abs(best["sharpe"]) < 1e6 and abs(rb["sharpe"]) < 1e6
    print("校验通过 | 网格最优 n=%d sharpe=%.3f | 随机最优 n=%d sharpe=%.3f"
          % (best["n"], best["sharpe"], rb["n"], rb["sharpe"]))
    _MOCK = False


if __name__ == "__main__":
    run_check()

5. 跑通示例

把 TOKEN 换成你的 token、_MOCK=False 后，用 #02 的真实价格驱动回测：

# prices 换成 #02 拉到的收盘价序列
rows, best = grid_search(prices, range(5, 121, 5))
print("最优参数:", best)

输出即每个参数对应的绩效，以及夏普最高的那一组——直接拿去写策略配置。

6. 坑与注意事项

1. 过拟合（最核心）：参数越多、样本越短，越容易在历史上完美、实盘崩。用样本外或 walk-forward 验证，别只看全样本最优。
2. 未来函数：信号必须用 shift(1)，用当天信号算当天收益 = 偷看未来，回测虚高。
3. 样本内偏差：网格最优往往是运气峰值，随机搜索多跑几组看稳定性，别押单一最优。
4. 并行成本：大网格逐组串行很慢，参数独立可多进程/向量化；但单组回测要轻。
5. 参数稳定性：好参数应在邻域也表现稳定，尖峰参数大概率是噪声，别选。

7. 小结与下一篇预告

本篇把「参数遍历」做成网格/随机两套通用框架，复用 #16/#24 的回测与绩效结论，是策略从「写得出」到「调得优」的关键一步。最后一篇讲一键回测与实盘信号导出——把整条研究链路落盘成可执行的信号文件。

下一篇预告：《【Python量化实战全攻略 #32】一键回测与实盘信号导出手册：从研究到落盘（附代码）》

8. 免责声明

本文所有接口路径均来自官方文档，示例数据为演示用途，不构成任何投资建议。实盘使用前请自行核对字段与参数稳健性。

关于数据来源：本文接口来自智兔数服（www.zhituapi.com）官方文档，覆盖沪深A股、指数、基金、可转债等 200+ 已验证接口路径，注册可领免费 token 做研究测试。
更多实战手册见技术博客：zhituapi.com/blog.html。
本系列《Python量化实战全攻略》共 32 篇，下一篇（#32）为系列收官：一键回测与实盘信号导出。